Pandas DataFrame 的起始索引为 1

Pandas

使用Pandas DataFrame进行数据处理

Pandas是一个强大的数据处理库，特别适用于处理结构化数据。在Pandas中，DataFrame是一个二维的数据结构，类似于一个表格，可以存储不同类型的数据，并且可以进行各种数据操作和分析。

创建DataFrame

我们可以使用Pandas来创建一个DataFrame，只需使用pd.DataFrame()函数，并传入一个字典或者一个数组作为参数即可。下面是一个创建DataFrame的示例代码：

Python
import Pandas as pd
data = {'姓名': ['张三', '李四', '王五'],
        '年龄': [18, 20, 22],
        '性别': ['男', '女', '男']}
df = pd.DataFrame(data)

以上代码将创建一个包含姓名、年龄和性别的DataFrame，每一列的名称作为字典的键，对应的数据作为字典的值。可以通过df.head()方法查看DataFrame的前几行数据。

数据处理与操作

Pandas提供了丰富的数据处理和操作函数，可以对DataFrame进行各种操作。下面是一些常用的数据处理操作示例代码：

1. 选择数据

可以使用df[column]或者df.loc[row_index, column_name]来选择DataFrame中的特定列或者特定行的数据。例如，选择姓名列的数据可以使用df['姓名']。

2. 过滤数据

可以使用条件表达式来过滤DataFrame中的数据。例如，选择年龄大于20的行可以使用df[df['年龄'] > 20]。

3. 排序数据

可以使用df.sort_values(by=column_name, ascending=True/False)对DataFrame按照指定列进行排序。例如，按照年龄降序排序可以使用df.sort_values(by='年龄', ascending=False)。

4. 添加新列

可以使用df['new_column'] = value来添加新的列。例如，添加一个新的列表示是否成年可以使用df['是否成年'] = df['年龄'] >= 18。

5. 数据统计

可以使用df.describe()来获取DataFrame的基本统计信息，例如计数、均值、标准差、最小值、最大值等。

案例代码

下面是一个使用Pandas DataFrame进行数据处理的案例代码：

Python
import Pandas as pd
data = {'姓名': ['张三', '李四', '王五'],
        '年龄': [18, 20, 22],
        '性别': ['男', '女', '男']}
df = pd.DataFrame(data)
# 选择姓名列的数据
name = df['姓名']
print(name)
# 过滤年龄大于20的行
filtered_data = df[df['年龄'] > 20]
print(filtered_data)
# 按照年龄降序排序
sorted_data = df.sort_values(by='年龄', ascending=False)
print(sorted_data)
# 添加新的列
df['是否成年'] = df['年龄'] >= 18
print(df)
# 统计信息
statistics = df.describe()
print(statistics)

Pandas DataFrame提供了丰富的功能和方法，可以方便地进行数据处理和分析。通过选择数据、过滤数据、排序数据、添加新列和获取统计信息等操作，我们可以对数据进行灵活的处理和分析。以上是使用Pandas DataFrame进行数据处理的简单示例，希望对你有所帮助。